前言

上一篇我们用Spring AI原生Function Calling，封装了第一个AI Skill。但有个很现实的痛点：函数定义、入参校验、业务逻辑全部耦合在Java代码里。 新增一个工具能力，就要改代码、重启服务；多团队协作时，前端、AI应用、后端服务都要同步改函数描述，维护成本很高。

MCP（Model Context Protocol，模型上下文协议）就是用来解决这个问题的。 它提供一套标准化协议，把业务能力包装成独立服务，大模型通过协议远程调用工具，不再和Spring业务代码强绑定。 本篇我们基于Spring Boot，搭建MCP服务端 + Spring AI客户端，做一个可直接跑通的实战案例：让AI调用我们的订单查询服务。

一、先理清核心关系：Skill、Function Calling、MCP到底是什么关系

很多同学容易把三者混在一起，一句话区分：

Function Calling：底层能力，大模型识别意图、调用指定函数的基础机制；AI Skill：业务层面的能力单元，比如订单查询、库存校验、邮件发送，Skill可以基于Function Calling实现，也可以基于MCP实现；MCP：标准化传输协议，是Skill的一种远程交付方式。简单比喻： Function Calling = 本地方法调用；MCP = 标准化RPC；Skill = 对外提供的业务功能。

架构简图：

大模型 ←→Spring AI MCP客户端 ←[MCP协议]→ MCP服务端 ←→ 你的Spring业务服务（订单、用户、库存）

优势： ✅ 工具能力独立部署，更新工具不用重启AI应用 ✅ 一套MCP服务，可以给多个AI Agent、多个大模型客户端复用 ✅ 协议标准化，Go/Python/Java写的服务都能互通 ✅ 职责解耦：AI应用只负责对话编排，业务能力收敛在MCP服务

二、环境依赖（Spring Boot 3.3.x + Spring AI 1.0.0-M1）

pom.xml核心依赖

<!-- Spring AI 核心 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-openai-spring-boot-starter</artifactId> </dependency> <!-- Spring AI MCP 客户端 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId> </dependency> <!-- MCP Server 基础包 --> <dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-mcp-server</artifactId> </dependency> <!-- Web --> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-web</artifactId> </dependency>

说明：当前Spring AI对MCP支持高速迭代，版本尽量对齐，避免接口类找不到。

三、实战第一步：开发MCP服务端（提供订单查询Skill）

我们在MCP服务端，注册一个工具：queryOrderInfo，入参orderId，返回订单基础信息。

1. 订单实体与模拟业务Service

@Data @NoArgsConstructor @AllArgsConstructor public class OrderDTO { private String orderId; private String orderStatus; private BigDecimal amount; private LocalDateTime createTime; } @Service public class OrderService { // 模拟数据库查询 public OrderDTO getOrderById(String orderId) {return new OrderDTO(orderId, "PAID", new BigDecimal("299.00"), LocalDateTime.now()); } }

2. MCP Server 工具注册代码

MCP里通过@Tool注解暴露能力，这就是我们对外的Skill：

import org.springframework.ai.tool.annotation.Tool; import org.springframework.stereotype.Service; @Service public class OrderMcpTool { private finalOrderService orderService;public OrderMcpTool(OrderService orderService) { this.orderService = orderService; } @Tool(description = "根据订单号查询订单详情，用户想知道订单状态、金额时调用") public OrderDTO queryOrderInfo(String orderId) { if(orderId == null || orderId.isBlank()){ throw new IllegalArgumentException("订单号不能为空"); } returnorderService.getOrderById(orderId); } }

重点：description非常关键，大模型靠这段描述判断什么时候调用这个工具。

3. MCP Server启动配置（Stdio模式演示，本地调试首选）

lication.yml

spring: ai: mcp: server: stdio: true

启动这个服务，它会以stdio方式对外提供MCP协议能力；生产环境也可以切换成HTTP transport。

四、实战第二步：Spring AI MCP客户端对接，调用远程Skill

新建一个独立的Spring AI应用（对话入口），作为MCP客户端。 客户端不需要写任何订单查询逻辑，只需要连接MCP服务端，自动拉取全部可用Tool。

lication.yml（客户端配置）

spring: ai: openai: api-key: sk-xxx base-url: https://xxx mcp: client: servers: order-server: command: java args: - -jar - order-mcp-server.jar

配置含义：客户端启动时，拉起我们上面打包好的MCP服务端jar，通过stdio通信，自动发现所有@Tool。

对话Controller，直接使用MCP工具集

@RestController @RequestMing("/ai/chat") public class AiChatController { private final ChatClient chatClient; public AiChatController(ChatClient.Builder builder, McpToolCallbackProvider mcpToolCallbackProvider) { this.chatClient = builder .defaultTools(mcpToolCallbackProvider.getToolCallbacks()) .build(); } @PostMing public String chat(@RequestParam String message) { return chatClient.prompt(message).call().content(); } }

核心一行：McpToolCallbackProvider 自动把MCP服务端所有Skill注册成大模型可用工具，没有硬编码任何函数。

五、测试效果

请求：

POST /ai/chat?message=帮我查一下订单号ORD20261024001的订单信息

执行流程：

大模型识别意图：需要调用queryOrderInfoSpring AI客户端通过MCP协议，远程调用MCP服务端方法MCP服务端执行OrderService查询，返回结果大模型整理结果，自然语言回复用户

返回示例：

你查询的订单ORD20261024001状态为已支付，金额299.00元。

现在如果我要新增一个【查询物流】的Skill： ✅ 只需要在MCP服务端新增一个@Tool方法，重启MCP服务； ✅ AI对话客户端不用改一行代码、不用重启，自动感知新增工具。 这就是MCP对比原生Function Calling最大的优势。

六、生产踩坑点（后端重点关注）

传输模式选择 Stdio：适合本地调试、单机部署；多进程模式，不适合高并发； HTTP Transport：生产推荐，支持远程独立部署MCP服务，多客户端共享。权限控制缺失MCP协议本身不带鉴权，业务上要自己加token校验、入参脱敏、接口限流；工具描述规范 description尽量写清楚触发场景、入参含义，描述模糊会导致大模型乱调用工具；异常兜底 MCP服务抛出的异常会透传给大模型，必须做好异常封装，不要把堆栈返回给LLM；版本兼容 Spring AI MCP包还在孵化，升级前务必回归测试Tool发现、参数序列化逻辑。

七、MCP和原生Function Calling怎么选？给你选型结论

选原生Function Calling：简单Demo、单一应用、工具很少、快速验证想法；开发快，依赖少。选MCP：多Agent复用工具、多团队协作、工具频繁变更、业务能力需要独立运维；解耦优先。

MCP不是用来替代Function Calling的，它是Function Calling的远程标准化封装。底层依旧是工具调用思想。

八、下篇预告

下一篇我们进入Harness工程化管控：当MCP服务越来越多、几十上百个AI Skill分散在各个服务，如何统一注册、权限、灰度、日志、调用链路监控？ 《Spring AI Harness实战：AI Skill平台治理，统一管控MCP工具集群》